7.39.4.8 IS/Aprendizaje de Máquina. (10 horas) [Nivel Bloom 5]

Referencias Bibliográficas: [Haykin, 1999,Nilsson, 2001,Russell and Norvig, 2003,Ponce-Gallegos et al., 2014]

Tópicos

  1. Definición y ejemplos de aprendizaje de máquina.
  2. Aprendizaje inductivo, aprendizaje basado en estadística, aprendizaje por refuerzo.
  3. Aprendizaje supervisado.
  4. Árboles de aprendizaje por decisión.
  5. Aprendizaje por redes neuronales .
  6. Redes de aprendizaje por creencia.
  7. Algoritmo del vecino más cercano.
  8. Teoría de aprendizaje.
  9. El problema del sobreajuste.
  10. Aprendizaje no supervisado.
  11. Aprendizaje por refuerzo.

Objetivos

  1. Explicar las diferencias entre tres principales estilos de aprendizaje: supervisado, no supervisado y por refuerzo.
  2. Implementar algoritmos simples para aprendizaje supervisado, aprendizaje por refuerzo y aprendizaje no supervisado.
  3. Determinar cuales de los tres estilos de aprendizaje es apropiado para un dominio de problema en particular.
  4. Comparar y contrastar cada una de las siguientes técnicas, proveer ejemplos de cuando cada estrategia es superior: árboles de decisión, redes neuronales y redes de creencia..
  5. Implementar de manera apropiada un sistema de aprendizaje simple, usando árboles de decisión, redes neuronales y/o redes de creencia.
  6. Caracterizar el estado del arte en teoría del aprendizaje, incluyendo logros y defectos.
  7. Explicar el algoritmo del vecino más cercano y su lugar dentro de la teoría del aprendizaje..
  8. Explicar el problema de sobreajuste, a través de técnicas para detectar y manejar el problema.

Generado por Ernesto Cuadros-Vargas , Sociedad Peruana de Computación-Peru, Universidad Católica San Pablo, Arequipa-Peru
basado en el modelo de la Computing Curricula de IEEE-CS/ACM